Differentiable Discrete Elastic Rods for Real-Time Modeling of Deformable Linear Objects

要約

この論文では、ロープやケーブルなど、長期にわたる動的運動中の変形可能線形オブジェクト (DLO) をモデル化するタスクについて説明します。
DLO の複雑なダイナミクスにより、このタスクには大きな課題が伴います。
これらの課題に対処するために、この論文では、微分可能な物理ベースのモデルと学習フレームワークを組み合わせて、DLO を正確かつリアルタイムでモデル化する新しいフレームワークである、微分可能な変形可能な線形オブジェクト用の微分可能な離散弾性ロッドとリアルタイム モデリング (DEFORM) を提案します。
DEFORM の性能は、2 台の産業用ロボットとさまざまなセンサーを含む実験装置で評価されます。
包括的な一連の実験により、最先端の代替手段と比較した場合、精度、計算速度、一般化可能性の点で DEFORM の有効性が実証されています。
DEFORM の有用性をさらに実証するために、この論文では DEFORM を知覚パイプラインに統合し、オクルージョンが存在する場合でも DLO を追跡しながら、最先端の方法と比較した場合の優れたパフォーマンスを示します。
最後に、この論文では、DLO の自律的な計画と制御を実行するために DEFORM を適用した場合、最先端の方法と比較した場合の DEFORM の優れたパフォーマンスについて説明します。
プロジェクトページ: https://roahmlab.github.io/DEFORM/。

要約(オリジナル)

This paper addresses the task of modeling Deformable Linear Objects (DLOs), such as ropes and cables, during dynamic motion over long time horizons. This task presents significant challenges due to the complex dynamics of DLOs. To address these challenges, this paper proposes differentiable Discrete Elastic Rods For deformable linear Objects with Real-time Modeling (DEFORM), a novel framework that combines a differentiable physics-based model with a learning framework to model DLOs accurately and in real-time. The performance of DEFORM is evaluated in an experimental setup involving two industrial robots and a variety of sensors. A comprehensive series of experiments demonstrate the efficacy of DEFORM in terms of accuracy, computational speed, and generalizability when compared to state-of-the-art alternatives. To further demonstrate the utility of DEFORM, this paper integrates it into a perception pipeline and illustrates its superior performance when compared to the state-of-the-art methods while tracking a DLO even in the presence of occlusions. Finally, this paper illustrates the superior performance of DEFORM when compared to state-of-the-art methods when it is applied to perform autonomous planning and control of DLOs. Project page: https://roahmlab.github.io/DEFORM/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google